掃一掃
關(guān)注中圖網(wǎng)
官方微博
模式識別與人工智能(基于MATLAB) 版權(quán)信息
- ISBN：9787302486350
- 條形碼：9787302486350 ; 978-7-302-48635-0
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
模式識別與人工智能(基于MATLAB) 本書特色
《模式識別與人工智能（基于MATLAB）》將模式識別與人工智能理論與實(shí)際應(yīng)用相結(jié)合, 以酒瓶顏色分類為例, 介紹了各種算法理論及相應(yīng)的 MATLAB實(shí)現(xiàn)程序。全書共分為10章, 包括模式識別概述、貝葉斯分類器的設(shè)計(jì)、判別函數(shù)分類器的設(shè)計(jì)、聚類分析、 模糊聚類、神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)、模擬退火算法的分類器設(shè)計(jì)、遺傳算法聚類設(shè)計(jì)、蟻群算法聚類設(shè)計(jì)、粒子群算法聚類設(shè)計(jì)，覆蓋了各種常用的模式識別技術(shù)。
模式識別與人工智能(基于MATLAB) 內(nèi)容簡介
《模式識別與人工智能（基于MATLAB）》將模式識別與人工智能理論與實(shí)際應(yīng)用相結(jié)合, 以酒瓶顏色分類為例, 介紹了各種算法理論及相應(yīng)的 MATLAB實(shí)現(xiàn)程序。全書共分為10章, 包括模式識別概述、貝葉斯分類器的設(shè)計(jì)、判別函數(shù)分類器的設(shè)計(jì)、聚類分析、 模糊聚類、神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)、模擬退火算法的分類器設(shè)計(jì)、遺傳算法聚類設(shè)計(jì)、蟻群算法聚類設(shè)計(jì)、粒子群算法聚類設(shè)計(jì)，覆蓋了各種常用的模式識別技術(shù)。
模式識別與人工智能(基于MATLAB) 目錄
目錄
第1章模式識別概述
1.1模式識別的基本概念
1.1.1模式的描述方法
1.1.2模式識別系統(tǒng)
1.2模式識別的基本方法
1.3模式識別的應(yīng)用
習(xí)題
第2章貝葉斯分類器設(shè)計(jì)
2.1貝葉斯決策及貝葉斯公式
2.1.1貝葉斯決策簡介
2.1.2貝葉斯公式
2.2基于*小錯(cuò)誤率的貝葉斯決策
2.2.1基于*小錯(cuò)誤率的貝葉斯決策理論
2.2.2*小錯(cuò)誤率貝葉斯分類的計(jì)算過程
2.2.3*小錯(cuò)誤率貝葉斯分類的MATLAB實(shí)現(xiàn)
2.2.4結(jié)論
2.3*小風(fēng)險(xiǎn)貝葉斯決策
2.3.1*小風(fēng)險(xiǎn)貝葉斯決策理論
2.3.2*小錯(cuò)誤率與*小風(fēng)險(xiǎn)的貝葉斯決策比較
2.3.3貝葉斯算法的計(jì)算過程
2.3.4*小風(fēng)險(xiǎn)貝葉斯分類的MATLAB實(shí)現(xiàn)
2.3.5結(jié)論
習(xí)題
第3章判別函數(shù)分類器設(shè)計(jì)
3.1判別函數(shù)簡介
3.2線性判別函數(shù)
3.3線性判別函數(shù)的實(shí)現(xiàn)
3.4基于LMSE的分類器設(shè)計(jì)
3.4.1LMSE分類法簡介
3.4.2LMSE算法原理
3.4.3LMSE算法步驟
3.4.4LMSE算法的MATLAB實(shí)現(xiàn)
3.4.5結(jié)論
3.5基于Fisher的分類器設(shè)計(jì)
3.5.1Fisher判別法簡介
3.5.2Fisher判別法的原理
3.5.3Fisher分類器設(shè)計(jì)
3.5.4Fisher算法的MATLAB實(shí)現(xiàn)
3.5.5識別待測樣本類別
3.5.6結(jié)論
3.6基于支持向量機(jī)的分類法
3.6.1支持向量機(jī)簡介
3.6.2支持向量機(jī)基本思想
3.6.3支持向量機(jī)的幾個(gè)主要優(yōu)點(diǎn)
3.6.4訓(xùn)練集為非線性情況
3.6.5核函數(shù)
3.6.6多類分類問題
3.6.7基于SVM的MATLAB實(shí)現(xiàn)
3.6.8結(jié)論
習(xí)題
第4章聚類分析
4.1聚類分析
4.1.1聚類的定義
4.1.2聚類準(zhǔn)則
4.1.3基于試探法的聚類設(shè)計(jì)
4.2數(shù)據(jù)聚類——K均值聚類
4.2.1K均值聚類簡介
4.2.2K均值聚類原理
4.2.3K均值算法的優(yōu)缺點(diǎn)
4.2.4K均值聚類的MATLAB實(shí)現(xiàn)
4.2.5待聚類樣本的分類結(jié)果
4.2.6結(jié)論
4.3數(shù)據(jù)聚類——基于取樣思想的改進(jìn)K均值聚類
4.3.1K均值改進(jìn)算法的思想
4.3.2基于取樣思想的改進(jìn)K均值算法MATLAB實(shí)現(xiàn)
4.3.3結(jié)論
4.4數(shù)據(jù)聚類——K近鄰法聚類
4.4.1K近鄰法簡介
4.4.2K近鄰法的算法研究
4.4.3K近鄰法數(shù)據(jù)分類器的MATLAB實(shí)現(xiàn)
4.4.4結(jié)論
4.5數(shù)據(jù)聚類——PAM聚類
4.5.1PAM算法簡介
4.5.2PAM算法的主要流程
4.5.3PAM算法的MATLAB實(shí)現(xiàn)
4.5.4PAM算法的特點(diǎn)
4.5.5K均值算法和PAM算法分析比較
4.5.6結(jié)論
4.6數(shù)據(jù)聚類——層次聚類
4.6.1層次聚類方法簡介
4.6.2凝聚的和分裂的層次聚類
4.6.3簇間距離度量方法
4.6.4層次聚類方法存在的不足
4.6.5層次聚類的MATLAB實(shí)現(xiàn)
4.6.6結(jié)論
4.7數(shù)據(jù)聚類——ISODATA算法概述
4.7.1ISODATA算法應(yīng)用背景
4.7.2ISODATA算法的MATLAB實(shí)現(xiàn)
4.7.3結(jié)論
習(xí)題
第5章模糊聚類分析
5.1模糊邏輯的發(fā)展
5.2模糊集合
5.2.1由經(jīng)典集合到模糊集合
5.2.2模糊集合的基本概念
5.2.3隸屬度函數(shù)
5.3模糊集合的運(yùn)算
5.3.1模糊集合的基本運(yùn)算
5.3.2模糊集合的基本運(yùn)算規(guī)律
5.3.3模糊集合與經(jīng)典集合的聯(lián)系
5.4模糊關(guān)系與模糊關(guān)系的合成
5.4.1模糊關(guān)系的基本概念
5.4.2模糊關(guān)系的合成
5.4.3模糊關(guān)系的性質(zhì)
5.4.4模糊變換
5.5模糊邏輯及模糊推理
5.5.1模糊邏輯技術(shù)
5.5.2語言控制策略
5.5.3模糊語言變量
5.5.4模糊命題與模糊條件語句
5.5.5判斷與推理
5.5.6模糊推理
5.6數(shù)據(jù)聚類——模糊聚類
5.6.1模糊聚類的應(yīng)用背景
5.6.2基于MATLAB的GUI工具的模糊算法構(gòu)建——數(shù)據(jù)模糊化
5.6.3基于MATLAB的GUI工具的模糊算法構(gòu)建——FIS實(shí)現(xiàn)
5.6.4系統(tǒng)結(jié)果分析
5.6.5結(jié)論
5.7數(shù)據(jù)聚類——模糊C均值聚類
5.7.1模糊C均值聚類的應(yīng)用背景
5.7.2模糊C均值算法
5.7.3模糊C均值聚類的MATLAB實(shí)現(xiàn)
5.7.4模糊C均值聚類結(jié)果分析
5.7.5結(jié)論
5.8數(shù)據(jù)聚類——模糊ISODATA聚類
5.8.1模糊ISODATA聚類的應(yīng)用背景
5.8.2模糊ISODATA算法的基本原理
5.8.3模糊ISODATA算法的基本步驟
5.8.4模糊ISODATA算法的MATLAB程序?qū)崿F(xiàn)
5.8.5結(jié)論
5.9模糊神經(jīng)網(wǎng)絡(luò)
5.9.1模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用背景
5.9.2模糊神經(jīng)網(wǎng)絡(luò)算法的原理
5.9.3模糊神經(jīng)網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)
5.9.4結(jié)論
習(xí)題
第6章神經(jīng)網(wǎng)絡(luò)聚類設(shè)計(jì)
6.1什么是神經(jīng)網(wǎng)絡(luò)
6.1.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
6.1.2生物神經(jīng)系統(tǒng)的結(jié)構(gòu)及沖動(dòng)的傳遞過程
6.1.3人工神經(jīng)網(wǎng)絡(luò)的定義
6.2人工神經(jīng)網(wǎng)絡(luò)模型
6.2.1人工神經(jīng)元的基本模型
6.2.2人工神經(jīng)網(wǎng)絡(luò)基本構(gòu)架
6.2.3人工神經(jīng)網(wǎng)絡(luò)的工作過程
6.2.4人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
6.3前饋神經(jīng)網(wǎng)絡(luò)
6.3.1感知器網(wǎng)絡(luò)
6.3.2BP網(wǎng)絡(luò)
6.3.3BP網(wǎng)絡(luò)的建立及執(zhí)行
6.3.4BP網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)
6.3.5BP網(wǎng)絡(luò)的其他學(xué)習(xí)算法的應(yīng)用
6.4反饋神經(jīng)網(wǎng)絡(luò)
6.4.1離散Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)
6.4.2離散Hopfield網(wǎng)絡(luò)的工作方式
6.4.3離散Hopfield網(wǎng)絡(luò)的穩(wěn)定性和吸引子
6.4.4離散Hopfield網(wǎng)絡(luò)的連接權(quán)設(shè)計(jì)
6.4.5離散Hopfield網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)
6.4.6結(jié)論
6.5徑向基函數(shù)
6.5.1徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)及工作方式
6.5.2徑向基函數(shù)網(wǎng)絡(luò)的特點(diǎn)及作用
6.5.3徑向基函數(shù)網(wǎng)絡(luò)參數(shù)選擇
6.5.4RBF網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)
6.5.5結(jié)論
6.6廣義回歸神經(jīng)網(wǎng)絡(luò)
6.6.1GRNN的結(jié)構(gòu)
6.6.2GRNN的理論基礎(chǔ)
6.6.3GRNN的特點(diǎn)及作用
6.6.4GRNN分類器的MATLAB實(shí)現(xiàn)
6.6.5結(jié)論
6.7小波神經(jīng)網(wǎng)絡(luò)
6.7.1小波神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
6.7.2小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法
6.7.3小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
6.7.4小波神經(jīng)網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)
6.7.5結(jié)論
6.8其他形式的神經(jīng)網(wǎng)絡(luò)
6.8.1競爭型人工神經(jīng)網(wǎng)絡(luò)——自組織競爭
6.8.2競爭型人工神經(jīng)網(wǎng)絡(luò)——自組織特征映射神經(jīng)網(wǎng)絡(luò)
6.8.3競爭型人工神經(jīng)網(wǎng)絡(luò)——學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)
6.8.4概率神經(jīng)網(wǎng)絡(luò)
6.8.5CPN神經(jīng)網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)
習(xí)題
第7章模擬退火算法聚類設(shè)計(jì)
7.1模擬退火算法簡介
7.1.1物理退火過程
7.1.2Metropolis準(zhǔn)則
7.1.3模擬退火算法的基本原理
7.1.4模擬退火算法的組成
7.1.5模擬退火算法新解的產(chǎn)生和接受
7.1.6模擬退火算法的基本過程
7.1.7模擬退火算法的參數(shù)控制問題
7.2基于模擬退火思想的聚類算法
7.2.1K均值算法的局限性
7.2.2基于模擬退火思想的改進(jìn)K均值聚類算法
7.2.3幾個(gè)重要參數(shù)的選擇
7.3算法實(shí)現(xiàn)
7.3.1實(shí)現(xiàn)步驟
7.3.2模擬退火實(shí)現(xiàn)模式分類的MATLAB程序
7.4結(jié)論
習(xí)題
第8章遺傳算法聚類設(shè)計(jì)
8.1遺傳算法簡介
8.2遺傳算法原理
8.2.1遺傳算法的基本術(shù)語
8.2.2遺傳算法進(jìn)行問題求解的過程
8.2.3遺傳算法的優(yōu)缺點(diǎn)
8.2.4遺傳算法的基本要素
8.3算法實(shí)現(xiàn)
8.3.1種群初始化
8.3.2適應(yīng)度函數(shù)的設(shè)計(jì)
8.3.3選擇操作
8.3.4交叉操作
8.3.5變異操作
8.3.6完整程序及仿真結(jié)果
8.4結(jié)論
習(xí)題
第9章蟻群算法聚類設(shè)計(jì)
9.1蟻群算法簡介
9.2蟻群算法原理
9.2.1基本蟻群算法原理
9.2.2模型建立
9.2.3蟻群算法的特點(diǎn)
9.3基本蟻群算法的實(shí)現(xiàn)
9.4算法改進(jìn)
9.4.1MMAS算法簡介
9.4.2完整程序及仿真結(jié)果
9.5結(jié)論
習(xí)題
第10章粒子群算法聚類設(shè)計(jì)
10.1粒子群算法簡介
10.2經(jīng)典的粒子群算法的運(yùn)算過程
10.3兩種基本的進(jìn)化模型
10.4改進(jìn)的粒子群優(yōu)化算法
10.4.1粒子群優(yōu)化算法原理
10.4.2粒子群優(yōu)化算法的基本流程
10.5粒子群算法與其他算法的比較
10.6粒子群算法分類器的MATLAB實(shí)現(xiàn)
10.6.1設(shè)定參數(shù)
10.6.2初始化
10.6.3完整程序及仿真結(jié)果
10.7結(jié)論
習(xí)題
參考文獻(xiàn)
展開全部
模式識別與人工智能(基于MATLAB) 作者簡介
周潤景，內(nèi)蒙古大學(xué)電信學(xué)院自動(dòng)化系教授，中國電子學(xué)會(huì)高級會(huì)員，IEEE/EMBS會(huì)員。多年來一直從事EDA技術(shù)的研究。近五年主持參與航天部項(xiàng)目六項(xiàng)，在國內(nèi)外出版EDA設(shè)計(jì)專著20多部，發(fā)表論文50多篇，其中EI檢索30多篇，近五年來為國防科工局所屬單位培訓(xùn)軍工電子系統(tǒng)可靠性設(shè)計(jì)、EMC設(shè)計(jì)、高速PCB設(shè)計(jì)1000多人次。在本項(xiàng)目中負(fù)責(zé)系統(tǒng)仿真。承擔(dān)國家自然基金項(xiàng)目2項(xiàng)，教育部春暉計(jì)劃項(xiàng)目2項(xiàng)，自治區(qū)自然基金項(xiàng)目1項(xiàng)，自治區(qū)高？蒲许(xiàng)目2項(xiàng)，軍工企業(yè)項(xiàng)目4項(xiàng)等。
書友推薦
- >
莉莉和章魚
- >
推拿
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
龍榆生：詞曲概論/大家小書
- >
月亮與六便士
- >
隨園食單
- >
有舍有得是人生
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
本類暢銷
